孫昌波

摘 要：針對傳統(tǒng)拉普拉斯金字塔算法在圖像融合過程中會引入噪聲且易丟失細(xì)節(jié)的問題，提出一種基于區(qū)域匹配度的改進(jìn)拉普拉斯圖像融合算法。首先對待拼接的源圖像進(jìn)行拉普拉斯金字塔分解，得到源圖像對應(yīng)的拉普拉斯圖像金字塔。然后針對不同分解層的圖像，求得待拼接點(diǎn)對應(yīng)源圖像分解層的區(qū)域匹配度。根據(jù)匹配度獲得融合系數(shù)，依據(jù)融合系數(shù)對不同源圖像的同一分解層進(jìn)行融合，得到融合后的拉普拉斯圖像金字塔。最后對融合后的拉普拉斯圖像金字塔進(jìn)行重構(gòu)得到最終的融合圖像。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)拉普拉斯金字塔與小波變換算法相比，本文算法較好的保留的圖像細(xì)節(jié)信息和抑制了圖像融合噪聲，融合圖像質(zhì)量得到提高，融合效果得到改善。

關(guān)鍵詞：圖像融合；拉普拉斯金字塔；圖像重構(gòu)；匹配度

0前言

圖像拼接技術(shù)是將若干具有重疊區(qū)域的圖像按照一定規(guī)則拼接成一副廣視角的無縫高分辨率全景圖的技術(shù)[1]。使用普通相機(jī)獲取寬視角圖像時(shí)，拍攝角度越大，得到的圖像分辨率就越低。而全景相機(jī)、廣角鏡頭等不僅非常昂貴，而且圖像失真也比較嚴(yán)重。為了在不降低圖像分辨率的條件下獲取超寬視角甚至的全景圖，利用計(jì)算機(jī)進(jìn)行的圖像拼接與融合技術(shù)出現(xiàn)并發(fā)展起來[3-4]。

圖像融合技術(shù)就是將經(jīng)過空間坐標(biāo)對齊后的兩幅圖像的每個(gè)像素利用某種融合算法分配新的坐標(biāo)和灰度信息，實(shí)現(xiàn)圖像的合成拼接[4]。通過圖像融合技術(shù)可以有效地綜合各傳感器的互補(bǔ)優(yōu)勢，最大限度的獲取對目標(biāo)或場景信息的完整描述，從而有利于對物理現(xiàn)象和事件進(jìn)行定位、識別和解釋[5]。圖像融合技術(shù)按融合時(shí)采用的信息屬性由低到高可以分為三個(gè)層次：像素級融合、特征級融合、決策級融合[6]。像素級融合是指直接對傳感器采集來的數(shù)據(jù)進(jìn)行處理而獲得融合圖像的過程，它是所有高層次融合算法的基礎(chǔ)，它能夠最大層度地保留原始數(shù)據(jù)提供其他高層次融合算法所不能提供的圖像細(xì)微信息，因此成為目前圖像融合研究的重點(diǎn)之一[7-8]。像素級圖像融合的方法主要分為空間域和變換域兩類?？臻g域方法對源圖像的每個(gè)像素點(diǎn)灰度值進(jìn)行融合，融合方法簡單，但融合效果相對較差[9]。由于人類視覺系統(tǒng)對圖像的邊緣信息較為敏感，使變換域的融合方法逐步替代了空間域的融合方法。變換域的圖像融合方法主要有兩類：基于金字塔變換的融合算法和基于小波變換的融合算法[10]。經(jīng)典拉普拉斯金字塔圖像融合算法可以得到無明顯拼接縫隙的融合圖像，但易引入噪聲和丟失細(xì)節(jié)，本文基于傳統(tǒng)的拉普拉斯金字塔融合算法，提出一種基于活性度與匹配度的圖像融合算法，實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于傳統(tǒng)的融合算法。

1 改進(jìn)的拉普拉斯金字塔融合方法

1.1圖像高斯金字塔分解

圖像金字塔被廣泛用于各種視覺應(yīng)用中。圖像金字塔是一個(gè)圖像集合，集合中所有的圖像都源于同一個(gè)原始圖像，而且是通過對原始圖像連續(xù)采樣獲得，直到達(dá)到某個(gè)終止條件才停止采樣。圖像拉普拉斯金字塔分解分為兩步，先進(jìn)行高斯金字塔分解，再根據(jù)得到的高斯金字塔進(jìn)行拉普拉斯金字塔分解。

設(shè)源圖像為，以作為高斯金字塔的第0層，對原始輸入圖像進(jìn)行高斯低通濾波和隔行隔列下采樣，得到高斯金字塔第二層；重復(fù)以上過程，構(gòu)成高斯金字塔。設(shè)高斯金字塔的第層圖像為：

其中1≤l≤N，0

Cl和Rl表示高斯金字塔第l層子圖像的行數(shù)和列數(shù)，w（m，n）=h（m）*h（n）是一個(gè)二維可分離的窗口函數(shù)：

至此，G0，G1，...，GN由構(gòu)成了高斯金字塔圖像。

1.2 圖像的拉普拉斯金字塔分解

通過對高斯金字塔圖像進(jìn)行插值膨脹處理，使得到的放大圖像 與Gl-1尺寸相同：

其中，1≤l≤N，0

令Ll為拉普拉斯金字塔的第l層圖像，則：

由L0，L1，...，LN構(gòu)成拉普拉斯金字塔。

1.3基于匹配度的拉普拉斯金字塔融合算法

針對經(jīng)典拉普拉斯金字塔融合算法受誤差噪聲影響、出現(xiàn)丟失細(xì)節(jié)的問題，在圖像重構(gòu)過程中，本文引入基于活性度與匹配度的重構(gòu)算法，算法基本流程如圖1。

活性度用來度量多尺度變換系數(shù)的顯著程度。按不同的融合任務(wù)，活性度有多種定義。本文使用局部窗口能量作為活性度，定義為：

其中， 為是源圖像S在尺度j，方向k上的子帶系數(shù)，P為窗口范圍。

匹配度用來度量源圖像之間的相似程度，定義為局部窗口系數(shù)的歸一化互相關(guān)：

其中w（x'，y'）為窗口的權(quán)值， 為圖像在位置（x，y）處的匹配度。

根據(jù)匹配度與活性度的大小決定圖像的融合的決策值：

其中T為閥值，一般取0.7-0.8。上述方式避免了直接加權(quán)處理造成的對比度下降問題，可以更好保留圖像中的細(xì)節(jié)信息。

利用決策值指導(dǎo)拉普拉斯金字塔各層進(jìn)行圖像的融合，該過程可以描述為：

其中， 。

最后按照融合后的拉普拉斯金字塔從上到下重構(gòu)圖像，遞推公式為：

由于圖像的細(xì)節(jié)信息不是僅僅由單個(gè)像素點(diǎn)所能表征的，它是由某一局部區(qū)域的多個(gè)像素來集體表征和體現(xiàn)的，同時(shí)圖像中某一局部區(qū)域的多個(gè)像素點(diǎn)之間存在較強(qiáng)的相關(guān)性，因此本文基于區(qū)域的融合方法是更加符合圖像特征的融合方式、更加合理和科學(xué)。

2.實(shí)驗(yàn)結(jié)果與分析

2.1圖像融合的客觀評價(jià)標(biāo)準(zhǔn)

2.1.1 標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差反映了圖像灰度值相對于圖像灰度均值的離散程度，標(biāo)準(zhǔn)差越大，圖像灰度級分布越分散，圖像的對比度也就越大，因而可以看出更多的信息。反之，看不出太多信息。標(biāo)準(zhǔn)差定義為：

其中 為圖像均值，計(jì)算公式為：

2.1.2信息熵

信息熵是圖像包含的平均信息量是多少的度量。融合圖像的熵越大，說明圖像中的信息量越多，融合的效果越好。其定義為：

式p（i）中為圖像取灰度值的概率，可近似取為灰度的頻率。

2.1.3 峰值信噪比

峰值信噪比越高，說明融合效果和質(zhì)量越好，其定義為：

其中，L為灰度級數(shù)。

2.2算法仿真

為驗(yàn)證不同算法的融合效果，本文將傳統(tǒng)小波變換融合算法與傳統(tǒng)拉普拉斯金字塔融合算法作為參考對象，選取如圖2（a）與圖2（b）的清晰圖像作為參考圖像，圖2（a）為焦點(diǎn)在左邊的源圖像，圖2（b）為焦點(diǎn)在右邊的源圖像，圖2（c）為本文融合算法的融合結(jié)果圖像。

（a） 焦點(diǎn)在左邊的源圖像

（b） 焦點(diǎn)在右邊的源圖像

（c） 本文算法融合結(jié)果

圖2本文融合算法融合結(jié)果圖像

根據(jù)公式（11）-（14），上述不同算法的客觀評價(jià)數(shù)據(jù)如表1所示。

比較表1中的客觀評價(jià)數(shù)據(jù)，結(jié)果表明本文算法與傳統(tǒng)小波變換算法和傳統(tǒng)拉普拉斯金字塔算法相比，本文算法所得到的結(jié)果圖像在標(biāo)準(zhǔn)差、信息熵和峰值信噪比上都有明顯的提升，同時(shí)峰值信噪比相對于傳統(tǒng)拉普拉斯金字塔算法有了較大的提升，說明本文算法能夠更好的抑制融合引入的噪聲。

綜上所述，本文算法較好的保留的圖像細(xì)節(jié)信息和抑制了圖像融合噪聲，圖像客觀質(zhì)量得到提高，融合效果得到明顯改善。

3.總結(jié)

針對傳統(tǒng)拉普拉斯金字塔融合算法中存在的問題，本文提出了一種基于匹配度的拉普拉斯金字塔融合方法，針對不同分解層的圖像，根據(jù)圖像活性度和匹配度得到融合系數(shù)，依據(jù)融合系數(shù)得到權(quán)值進(jìn)行各分解層的融合，然后進(jìn)行拉普拉斯金字塔重構(gòu)得到最終的融合圖像。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)拉普拉斯金字塔與小波變換融合算法相比，本文算法較好的保留的圖像細(xì)節(jié)信息和抑制了圖像融合噪聲，圖像客觀質(zhì)量得到提高，融合效果得到明顯改善。

參考文獻(xiàn)

[1]胡鋼， 劉哲， 徐小平，等. 像素級圖像融合技術(shù)的研究與進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究， 2008， 25（3）：650-655.

[2]Wang Z， Ziou D， Armenakis C， et al. A comparative analysis of image fusion methods[J]. IEEE Transactions on Geoscience & Remote Sensing， 2012， 43（6）：1391-1402.

[3]段貴多， 李建平， 黃添喜. 圖像的多尺度幾何分析概述[J]. 計(jì)算機(jī)應(yīng)用研究， 2007， 24（10）：9-14.

[4]楊彬.像素級多傳感器圖像融合新方法研究[D].湖南大學(xué)，2010.

[5]郭雷，李暉暉，鮑永生.圖像融合[M].北京：北京電子工業(yè)出版色，2008.

[6]韓瀟， 彭力. 基于改進(jìn)拉普拉斯金字塔的圖像融合方法[J]. 自動化與儀器儀表， 2014（5）：191-194.

[7]楊桄，童濤，陸松巖.基于多特征的紅外與可見光圖像融合[J].光學(xué)精密工程，2014，22（2）：489-496.

[8]Lagae A， Drettakis G. Filtering solid Gabor noise[J]. Acm Transactions on Graphics， 2011， 30（4）：51：1-51：6.

[9]Bai X， Gu S， Zhou F， et al. Weighted image fusion based on multi-scale top-hat transform： Algorithms and a comparison study[J]. Optik - International Journal for Light and Electron Optics， 2013， 124（13）：1660-1668.

[10]徐小軍，王友仁，陳帥.基于下采樣分?jǐn)?shù)階小波變換的圖像融合新方法[J].儀器儀表學(xué)報(bào)，2014，35（9）：2061-2069.